酷狗小说提示您：看后求收藏（互联网时代的新型学习模式），接着再看更方便。
效度测验方面，则对各个维度之间的相关性进行检验。的相关系数可以看出，本量表各个维度之间在0.001水平上显著相关，说明本研究具有很好的关联效度。
建构效度采用主成分分析法（principalponent analysis）提取公因子，旋转方法为方差最**正交旋转，以特征值大于1为提取标准来分别分析4个分量表，具体结果如下：
对分量表“互联网影响博士生学习环境”进行因子分析，kmo值为0.719，bartlett球度检验approx.chi.square =525.183，df =28，sig.=0.000＜0.001，说明适合做因子分析。以特征值大于1以及结合碎石图作为标准进行公因子提取，共提取3个公因子，方差解释率为65.959%，具体见表 312。因子1可以用“互联网的学习支撑”来命名；因子2可以用“校园基本条件”来命名；因子3可以用“互联网环境的负面作用”来命名。同理，其他分量表经过检验，均适合做因子分析。其中分量表“互联网影响博士生学习共同体”提取了3个公因子，分别命名为“互联网影响课程学习”、“互联网影响师生关系”、“互联网影响学习伙伴”；分量表“互联网影响博士生学习方式”提取2个公因子，分别命名为“对学习方式的正向影响”、“对学习方式的负面影响”；分量表“互联网影响博士生学习效果”提取1个公因子，直接命名。因子分析结果表明，本调查问卷具有良好的建构效度。
3.2.5信度分析
信度（reliability）即可靠性，是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。常用的信度检测方法是科隆巴赫系数（cronbach’sα）。台湾学者吴统雄建议α值大于0.4就是可信的。本研究的总体信度为0.856，分量表中信度介于0.5650.673之间。说明调查问卷是可信的。
3.2.6方差分析方差分析是用于两个及两个以上样本均数差别的显著性检验。本研究主要从人员样本统计的情况来看，互联网对博士生学习影响不同纬度进行检验。对调查数据进行多因素方差分析，以显著性水平0.05作为检验标准，具有显著性的以下划线进行标注。
可以看出，不同的就读方式、不同的学科门类、不同的上网学习比例对于博士生学习的各个维度有不同的影响。
具体来看：
从学科门类来看，互联网影响不同学科门类博士生的学习方式、学习效果具有显著性差异，互联网影响学习方式、影响学习效果的趋势一致。影响最大的是工科，其次是理科，最后是人文社会科学（具体见表 315）。究其原因在于传统的工科博士生需要进行大量的科学试验，而互联网的出现改变了试验的模式，如利用基于互联网的虚拟试验、模拟仿真等，使得博士生的试验手段、形式等都发生了变化，对互联网的依赖程度增强。而人文社会科学的博士生重点在于书籍的阅读，互联网的出现仅仅改变了书籍的存放形式，从传统的书店更多的转向了互联网。从就读方式上看，不同就读方式对互联网影响学习环境、学习共同体有显著性差别。由于全日制攻读能够主要精力放在学习上，大部分时间是在网上寻找资料、文献等，而在职攻读的博士生则要兼顾工作、学习，使用互联网不单纯应用于学习，因此存在一定的显著性差异。同理，在职攻读的博士生在利用互联网进行课程学习、同导师的联系以及在对外科研交流中都不同程度地受到一定的影响，因此互联网影响博士生学习共同体方面也存在着显著性差异，对全日制就读博士生的影响要大于在职攻读博士生。
从上网用于学习的比例上看，互联网对博士生上网用于学习比例的影响产生显著性差异。可以看出，随着上网用于学习所占比例的上升，互联网对博士生学习的影响效果也愈加强烈。
3.2.7模型路经分析
采用amos 7.0软件进行路径分析的主要目的是检验一个假想的因果模型的准确和可靠程度，测量变量间因果关系的强弱。通过相关资料分析，建立一个可以检验的初始模型，并绘制出一个设有路径系数的路径图（path diagram），通过回归模型来估计路径系数并验证其是否显著。
1.模型假设
根据对博士生访谈资料进行分析所得到的宽泛理论为基础确定具体假设，以互联网影响博士生学习环境作为自变量，以互联网影响博士生学习共同体、互联网影响博士生学习方式作为中间变量，以互联网影响博士生学习效果作为因变量。具体假设如下：
h1：互联网通过博士生学习环境影响博士生学习共同体
h2：互联网通过博士生学习环境影响博士生学习方式
h3：互联网通过博士生学习共同体影响博士生学习方式
h4：互联网通过博士生学习环境影响博士生学习效果
h5：互联网通过博士生学习共同体影响博士生学习
本章未完，请点击下一页